#DeepSeek新发布的DSpark有多强#

昨天DeepSeek联合北大甩出的DSpark，在AI圈炸出了不小的水花。花几分钟看懂它到底做了件什么事。

不堆显卡，纯靠软件“提速”

DeepSeek这次发的不是新模型，是一个推测解码框架。

大模型生成文字是一个字一个字往外蹦的，每蹦一个字都要跑一次完整计算，这就是AI回复慢的根源。业界有个思路叫“推测解码”——用小模型先“猜”几个字，再让大模型一次性验证，猜对了就直接收下。

但现有方案各有硬伤。自回归草稿模型猜得准但猜得慢；并行草稿模型猜得快但猜不准，经常出现“of course”和“no problem”混成“of problem”这种语义崩塌。高并发时把猜错的部分送去验证，白白浪费算力。

DSpark的两把刀正好砍在这两个痛点上：

第一把刀：半自回归架构。保留并行模型“一次生成一整块”的速度，但在后面接了一个极轻的顺序模块，把“前一个词是什么”的信息注入进来。两层Transformer的效果，超过了五层传统并行模型。

第二把刀：置信度调度验证。给每个猜出来的词打分，预测它“存活”的概率。系统根据当前负载动态决定验证多少个词——闲时多验几个，忙时只验最靠谱的。MTP-1基线固定验证2个token，DSpark可以动态扩展到4到6个。

开源且兼容主流模型

DSpark采用MIT协议全栈开源。已经过通义千问3、Gemma4等主流模型在数学推理、代码生成、日常对话三大场景的验证。配套的DeepSpec仓库包含完整的训练代码和评估工具。

对缺乏底层算法团队的中小企业来说，不需要投入巨额研发就能复用这套方案。

三个值得关注的点

第一，软件优化思路能否成为趋势？当行业都在卷参数、堆显卡的时候，DeepSeek用纯软件方案把速度提了上去。推理成本降低，直接受益的是应用层——Agent、代码助手、实时对话这些场景，响应速度每快一秒，体验就差一个档次。

第二，开源兼容能否被行业跟进？DSpark已经在Qwen和Gemma上验证了泛化能力。这套方案如果被更多厂商采纳，大模型推理的“公用基础设施”可能正在形成。

第三，创始人亲自署名论文。完成首轮融资后，梁文锋依然亲自参与技术论文撰写，这在AI行业并不多见。